OpenAI-Studie zu KI am Arbeitsplatz zeigt: Jobs erweitern sich, bevor sich Titel ändern
Die OpenAI-Studie zu KI am Arbeitsplatz hat anhand von mehr als 1,5 Millionen arbeitsbezogenen ChatGPT-Nachrichten eine bemerkenswerte Verschiebung festgestellt. Beschäftigte testen nicht nur Aufgaben außerhalb ihrer Berufe. Einige kehren zu diesen Tätigkeiten zurück und machen sie zu wiederkehrenden Bestandteilen ihrer Arbeit.
Diese Unterscheidung verändert die Debatte über KI am Arbeitsplatz. Es geht kurzfristig nicht nur darum, ob KI Stellen abschafft oder bestehende Aufgaben verbessert. Entscheidend ist, ob Beschäftigte stillschweigend Verantwortlichkeiten übernehmen, die früher Marketingfachleuten, Analysten, Ingenieuren oder Kundenspezialisten gehörten.
OpenAI bezeichnet dieses Muster als Joberweiterung. Eine Erweiterung kann jedoch sowohl mehr Handlungsspielraum als auch ein unbemerktes Anwachsen der Arbeitslast bedeuten. Eine Person kann ein Problem lösen, ohne auf eine andere Abteilung zu warten, übernimmt aber möglicherweise auch Verantwortung ohne angemessene Schulung, Prüfung oder Vergütung.
Die Studie zu rollenübergreifenden Aufgaben untersucht ChatGPT-Business-Nutzer von April bis Juli 2026. OpenAI zufolge wurden die Nachrichten anonymisiert und aggregiert; die Forschenden lasen keine individuellen Unterhaltungen.
Das zentrale Ergebnis ist verhaltensbasiert und nicht spekulativ. Unter rund 6.200 durchgehend beobachteten Beschäftigten machten zuvor ausprobierte berufsübergreifende Aufgaben einen wachsenden Anteil ihrer berufsspezifischen KI-Aktivitäten aus.
Das Ergebnis deutet darauf hin, dass Stellenbeschreibungen hinter dem tatsächlichen Wandel der Arbeit zurückbleiben können. Beschäftigte können neue Routinen etablieren, bevor Führungskräfte Rollen neu gestalten, Kontrollen aktualisieren oder entscheiden, wer die finale Entscheidung verantwortet.
Daraus entsteht die zentrale Spannung des Artikels. OpenAI sieht einen Weg von Experimenten zu breiter gefassten Jobs. Arbeitgeber und Beschäftigte müssen klären, ob dieser Weg zu sinnvoller Autonomie, riskanter Rollenverdichtung oder beidem führt.
Was OpenAI in 1,5 Millionen Arbeitsnachrichten festgestellt hat
Die entscheidende Veränderung besteht nicht darin, dass Beschäftigte unbekannte Aufgaben ausprobierten, sondern darin, dass ein relevanter Anteil zu ihnen zurückkehrte.
OpenAI untersuchte mehr als 1,5 Millionen arbeitsbezogene ChatGPT-Nachrichten, die zwischen April und Juli 2026 erstellt wurden. Die Analyse knüpfte an eine frühere Studie dazu an, wie Beschäftigte bei der Nutzung von KI traditionelle Berufsgrenzen überschreiten.
Diese frühere Analyse von Aufgabenüberschneidungen ordnete Arbeit als allgemein, berufszugehörig oder berufsübergreifend ein. Allgemeine Arbeit umfasste weit verbreitete Tätigkeiten wie routinemäßiges Schreiben, Zusammenfassen und Terminplanung.
Berufsübergreifende Arbeit umfasste Tätigkeiten, die historisch mit einem anderen Beruf verbunden waren. Beispiele waren Marketingfachleute bei der Fehlerbehebung in Software, Vertriebsmitarbeiter bei der Analyse von Kundendaten oder Kleinunternehmer bei der Prüfung eines Vertrags.
OpenAI hatte zuvor festgestellt, dass 16,8% der arbeitsbezogenen Nachrichten Aufgaben betrafen, die einem anderen Beruf zugeordnet waren. Nach Ausschluss allgemeiner Tätigkeiten lagen 43,5% der berufsspezifischen Nachrichten außerhalb des angegebenen Berufs der Nutzer.
Die neue Studie fragt, was nach dieser ersten Überschneidung geschah. Bei Beschäftigten, die über den gesamten Viermonatszeitraum beobachtet wurden, machten zuvor genutzte berufsübergreifende Aufgaben im April 13,1% der berufsspezifischen KI-Aktivitäten aus.
Bis Juli war der Anteil auf 25,9% gestiegen. Dieser Anstieg bedeutet nicht, dass sich ein Viertel der gesamten Arbeit einer Person verändert hat. Er beschreibt die Zusammensetzung berufsspezifischer ChatGPT-Aktivitäten innerhalb der von OpenAI beobachteten Stichprobe.
Ein separater Vergleich untersuchte, ob Beschäftigte im Folgemonat zu derselben berufsübergreifenden Aufgabe zurückkehrten. Personen, die eine Aufgabe zuvor genutzt hatten, kehrten in 23,6% der Fälle zu ihr zurück.
Vergleichbare Beschäftigte ohne beobachtete vorherige Nutzung führten dieselbe Aufgabe nur in 8,4% der Fälle aus. Der Unterschied stützt ein Muster wiederkehrender Nutzung, belegt jedoch nicht, dass ChatGPT das Verhalten verursacht hat.
Die durchschnittliche Rückkehrrate im Folgemonat über berufsübergreifende Aufgaben hinweg betrug 18,5%. Die Wiederholung variierte jedoch stark je nach Tätigkeit.
Das Besprechen von Waren oder Dienstleistungen mit Kunden hatte eine Rückkehrrate von 54%. Werbe- oder Promotiontexte erreichten 44%, während die Erstellung von Marketingmaterialien 37% erreichte.
Die Erklärung finanzieller Informationen wurde mit rund 15% deutlich seltener wiederholt. Dieser Unterschied ist bedeutsam, weil er darauf hindeutet, in welchen Bereichen Beschäftigte ihre Rollen selbstbewusst erweitern.
Kundenkommunikation und Werbearbeit erzeugen oft Ergebnisse, die vor der Veröffentlichung überarbeitet werden können. Fehler in finanziellen Erklärungen können größere Folgen haben, wenn sie Kunden, Führungskräfte oder Aufsichtsbehörden erreichen.
Die Ergebnisse zeigen auch Unterschiede darin, wie Beschäftigte um Hilfe bitten. Für Aufgaben außerhalb ihres Berufs verwendeten sie kürzere Prompts als für Arbeit innerhalb ihres üblichen Fachgebiets.
Sie baten seltener um Anleitungen, Ratschläge, Erklärungen oder ein bestimmtes Ausgabeformat. Allerdings lieferten sie häufiger Beispiele oder Hintergrundinformationen und baten ChatGPT, etwas zu überprüfen.
OpenAI interpretiert dies so, dass Beschäftigte Fachwissen ausleihen, statt eine ganze Disziplin zu erlernen. Jemand bringt ein konkretes Problem ein, ergänzt lokalen Kontext und bittet KI, Wissen aus einem anderen Bereich anzuwenden.
Dieses Verhalten lässt ChatGPT-Arbeitsaufgaben einem informellen Service Desk ähneln. Die beschäftigte Person wird nicht zum Anwalt, Ingenieur oder Analysten. KI hilft ihr, ein konkretes Problem ohne eine herkömmliche Übergabe voranzubringen.
Die Verschiebung ist folgenreich, weil wiederholtes Verhalten zur operativen Praxis werden kann. Sobald eine Aufgabe Teil eines wöchentlichen Workflows wird, muss die Organisation entscheiden, ob sie dorthin gehört und welchen Kontrollen sie unterliegt.
OpenAI-Studie zu KI am Arbeitsplatz zeigt, wie neue Aufgaben zu Gewohnheiten werden
Wiederkehrende Nutzung liefert einen plausiblen Mechanismus für Jobveränderungen, der bei individuellem Verhalten statt bei formaler Umstrukturierung beginnt.
Der Prozess beginnt, wenn eine beschäftigte Person auf ein Problem außerhalb der üblichen Rollengrenzen stößt. Sie nutzt KI, weil ein Spezialist nicht verfügbar ist, eine Übergabe zu langsam wäre oder das Problem beherrschbar erscheint.
Wenn das Ergebnis nützlich erscheint, wiederholt die Person den Vorgang. Wiederholung verwandelt ein isoliertes Experiment in einen Workflow, insbesondere wenn die Aufgabe häufig auftritt.
Dieser Mechanismus erklärt, warum KI-bedingte Joberweiterung neuen Titeln vorausgehen kann. Personalmanagementsysteme ändern sich langsam, während Beschäftigte innerhalb weniger Minuten einen Prompt, ein Dokument und einen Prüfschritt ergänzen können.
Man denke an einen Produktmanager, der Kundeninterviews zusammenfassen und ein Update vorbereiten muss. Der Manager könnte KI auch nutzen, um Support-Themen zu prüfen, Werbetexte zu entwerfen oder eine Tracking-Abfrage zu debuggen.
Keine dieser Ergänzungen schafft zwangsläufig eine neue Stelle. Zusammengenommen verändern sie jedoch, was der Produktmanager routinemäßig erstellt und an welche Teams weniger Aufgaben übergeben werden.
Ein Vertriebsmitarbeiter könnte mit Kundendaten demselben Muster folgen. Die erste Anfrage könnte eine explorative Berechnung sein, während spätere Anfragen Teil der Account-Vorbereitung werden.
Ein Designer könnte KI nutzen, um Kampagnentexte zu überarbeiten oder Implementierungsanforderungen zu klären. Ein Kleinunternehmer könnte zwischen Kundenkommunikation, Marketing und grundlegender Interpretation finanzieller Daten wechseln.
Diese Beispiele belegen nicht, dass Beschäftigte die ausgeliehenen Disziplinen beherrschen. Sie veranschaulichen, wie KI den Aufwand senkt, eine eng umrissene Aufgabe auszuprobieren.
Kontext scheint für diesen Prozess zentral zu sein. OpenAI stellte fest, dass Beschäftigte bei Tätigkeiten außerhalb ihrer Berufe mehr Beispiele und Hintergrundinformationen lieferten.
Dieses Verhalten deutet darauf hin, dass die beschäftigte Person weiterhin Wissen einbringt, das dem Modell fehlt. Sie versteht den Kunden, die Frist, das Dokument oder die organisatorische Einschränkung, während KI ein übertragbares Muster beisteuert.
Diese Beziehung ähnelt eher einer Erweiterung menschlicher Arbeit als vollständiger Automatisierung. Die frühere Evidenz zur Erweiterung menschlicher Arbeit von Anthropic ergab, dass 57% der beobachteten Claude-Nutzung Zusammenarbeit betrafen, verglichen mit 43%, die als Automatisierung kategorisiert wurden.
Anthropic warnte zudem, dass seine Daten Claude-Nutzer und nicht den Arbeitsmarkt insgesamt abbildeten. Auch bei den Ergebnissen von OpenAI ist dieselbe Unterscheidung zwischen beobachteter Produktaktivität und allgemeinem Verhalten der Erwerbsbevölkerung erforderlich.
Dennoch weisen beide Forschungsprogramme auf eine aufgabenbasierte Sicht des Wandels hin. Jobs bestehen aus vielen Tätigkeiten, und die KI-Einführung kann sich ungleichmäßig über diese verteilen.
Manche Aufgaben kehren wieder, weil sie leicht überprüfbar sind und in bestehende Routinen passen. Andere bleiben selten, weil Fehler kostspielig sind, lokale Regeln komplex ausfallen oder menschliche Freigabe unverzichtbar bleibt.
Diese Ungleichmäßigkeit ist für alle wichtig, die einen KI-Workflow entwickeln. Ein nützliches System muss die Dokumente, Entscheidungen und Kontexte bewahren, die eine spätere Prüfung ermöglichen.
Persönliche Tools können Beschäftigten helfen, diese Kontinuität aufrechtzuerhalten. Ein strukturiertes KI-Second Brain kann wiederkehrende Anfragen mit dem zugrunde liegenden Quellenmaterial verbinden.
Das Ziel sollte nicht eine uneingeschränkte Anhäufung von Aufgaben sein. Es sollte ein nachvollziehbarer Prozess sein, in dem Beschäftigte Belege wiederfinden, frühere Entscheidungen verstehen und erkennen können, wann eine fachliche Prüfung erforderlich ist.
Die Studie von OpenAI beschreibt daher mehr als die Einführung von Prompts. Sie zeigt, wie die Einheit des Wandels am Arbeitsplatz eine wiederholte Tätigkeit sein kann, die in eine unveränderte Rolle eingebettet ist.
Dieser Mechanismus verlagert die Aufmerksamkeit von Zugang auf Gestaltung. Beschäftigten einen KI-Account zu geben, setzt den Prozess in Gang, bestimmt jedoch nicht, ob wiederkehrende Nutzung zu verlässlicher Arbeit wird.
Führungskräfte müssen entscheiden, welche Ergebnisse geprüft werden müssen, welche Quellen erlaubt sind und welche Entscheidungen außerhalb der Befugnis der beschäftigten Person bleiben. Diese Entscheidungen bestimmen, ob Rollenerweiterung zu Kompetenz oder Risiko wird.
Rollenerweiterung setzt das Übergabemodell an Spezialisten unter Druck
Wiederkehrende rollenübergreifende Arbeit fordert Organisationen heraus, die jedes unbekannte Problem an ein Spezialistenteam weiterleiten.
Traditionelle Organisationen trennen Arbeit aus guten Gründen. Marketing, Finanzen, Recht, Engineering und Kundenbetrieb entwickeln jeweils eigene Fachkenntnisse, Standards und Verantwortlichkeiten.
Diese Grenzen verursachen jedoch auch Wartezeiten. Eine kleine Anfrage kann in eine Warteschlange gelangen, bei der Übergabe Kontext verlieren und zurückkehren, nachdem der ursprüngliche Zeitpunkt bereits verstrichen ist.
ChatGPT-Arbeitsaufgaben senken die Kosten, eine Antwort zu versuchen, bevor diese Übergabe erfolgt. Die Person, die einem Problem am nächsten ist, kann sofort entwerfen, berechnen, klassifizieren oder Fehler beheben.
Der erste Bericht von OpenAI stellte bei durchschnittlichen Nutzern in kleineren Workspaces ein stärkeres Überschneidungsmuster fest. Aufgaben außerhalb des eigenen Berufs machten 18,9% der Aktivitäten von Nutzern in Workspaces mit zwei bis fünf Plätzen aus.
Bei Nutzern in Workspaces mit mehr als 100 Plätzen lag der Anteil bei 16,3%. OpenAI deutete an, dass kleinere Organisationen weniger Spezialistenressourcen haben, wodurch generalistische Unterstützung wertvoller wird.
Diese Interpretation passt zur operativen Realität kleiner Teams. Die Person, die ein Problem entdeckt, übernimmt es häufig selbst, weil niemand anderes verfügbar ist.
Größere Unternehmen verfügen über mehr Spezialisten, stehen jedoch ebenfalls vor Koordinationskosten. Eine beschäftigte Person, die einen besseren ersten Entwurf erstellen kann, könnte unnötige Weiterleitungen verringern, ohne die abschließende Prüfung zu umgehen.
Das unter Druck geratene Modell ist daher nicht die Spezialisierung selbst. Es ist die Annahme, dass jede Spezialistenaufgabe vollständig innerhalb einer Spezialistenrolle bleiben muss.
KI kann Vorbereitung und Autorisierung voneinander trennen. Ein Vertriebsmitarbeiter kann einen Datensatz prüfen, während ein Analyst die Methode validiert. Eine Führungskraft kann Vertragsfragen formulieren, während ein Rechtsberater eine rechtliche Bewertung abgibt.
Diese Aufteilung kann die Zeit von Experten fokussierter nutzbar machen. Spezialisten erhalten besser eingegrenzte Anfragen, umfangreicheren Kontext und ein vorläufiges Arbeitsergebnis statt eines undefinierten Problems.
Organisationen können diese Effizienz jedoch leicht fehlinterpretieren. Führungskräfte könnten daraus schließen, dass Beschäftigte, die eine Aufgabe anstoßen können, auch für deren Qualität, Risiken und Pflege verantwortlich sein sollten.
Diese Schlussfolgerung macht aus der Ausweitung von KI-Arbeit eine Verdichtung von Rollen. Mehrere Aufgabenbereiche werden in einer Position gebündelt, ohne frühere Verantwortlichkeiten abzubauen.
Der Unterschied zeigt sich häufig bei der Gestaltung der Arbeitslast. Wenn Mitarbeitende zusätzlich Kundenanalysen, Marketingentwürfe und technische Fehlerbehebung übernehmen, welche bisherigen Aufgaben entfallen dann?
Ohne eine klare Antwort hat das Unternehmen die Arbeit nicht neu gestaltet. Es hat lediglich den Bereich erweitert, für den sich eine einzelne Person verantwortlich fühlt.
Die wiederkehrende Nutzung kann zudem Lernschleifen von Spezialisten schwächen. Ein Marketingteam sieht möglicherweise keine häufigen Kundenfragen mehr, wenn Vertriebsmitarbeitende jede Antwort eigenständig erstellen.
Die Technikabteilung könnte wiederholte Produktfehler übersehen, wenn andere Teams Probleme eigenständig umschiffen. Rechtsabteilungen verlieren möglicherweise den Überblick über wiederkehrende Vertragsprobleme, wenn Mitarbeitende nur noch eine abschließende Genehmigung einholen.
Organisationen benötigen deshalb klare Eskalationsschwellen. Entwürfe mit geringen Folgen können bei der ursprünglich zuständigen Person bleiben, während regulierte, irreversible oder kundensensible Entscheidungen an Spezialisten gehen.
Sie brauchen außerdem gemeinsame Aufzeichnungen. Wenn jede Person eigene private ChatGPT-Routinen entwickelt, kann das Unternehmen kaum prüfen, was funktioniert hat, was gescheitert ist oder welche Annahmen sich verbreitet haben.
Ein dokumentierter Workflow bietet Führungskräften eine bessere Grundlage für die Neugestaltung. Teams können wiederkehrende rollenübergreifende Aktivitäten erkennen, den Überarbeitungsbedarf messen und entscheiden, ob eine neue Verantwortung zur Rolle gehört.
Für Produktteams bietet ein wöchentlicher KI-Workflow ein Modell dafür, Quellen und Ergebnisse miteinander zu verknüpfen. Das übergeordnete Prinzip gilt funktionsübergreifend.
Das Ziel besteht nicht darin, jede historische Übergabe beizubehalten. Es geht darum, Fachwissen, Verantwortlichkeit und institutionelles Lernen zu sichern, selbst wenn die erste Reaktion näher am Problem erfolgt.
Die Erkenntnisse von OpenAI erhöhen den Druck auf Führungskräfte, die Einführung als reine Softwarebereitstellung betrachten. Die relevantere Managementfrage lautet, wie sich Verantwortlichkeiten verändern, nachdem Beschäftigte wiederholbare Gewohnheiten entwickelt haben.
Was die Wiederholungszahlen nicht belegen
Die Studie identifiziert ein Muster innerhalb der ChatGPT-Nutzung, beweist jedoch weder Produktivität noch Kompetenzerwerb oder eine dauerhafte Neugestaltung von Arbeitsplätzen.
Der Datensatz von OpenAI bietet einen ungewöhnlichen Einblick in das tatsächliche Produktverhalten. Dennoch handelt es sich um eine Beobachtungsstichprobe von Personen, die ChatGPT Business bereits beruflich nutzen.
Die Stichprobe repräsentiert nicht jede Arbeitnehmerin und jeden Arbeitnehmer, jeden Beruf, jedes Unternehmen oder jedes KI-Produkt. Physische Arbeit und Arbeitsplätze mit eingeschränktem ChatGPT-Zugang sind wahrscheinlich nicht proportional vertreten.
Berufe wurden anhand von Angaben zu Rolle oder Abteilung ermittelt, die beim Onboarding für Business bereitgestellt wurden. Diese Methode ist nützlich, doch Berufsbezeichnungen und Abteilungszuordnungen können hybride Verantwortlichkeiten verdecken.
Ein Produktmanager, der Kundenanalysen durchführt, könnte eine berufliche Grenze überschreiten. Dieselbe Aktivität könnte im jeweiligen Unternehmen jedoch bereits Teil der erwarteten Aufgaben sein.
Dieses Klassifikationsproblem zeigte sich bereits im ersten Bericht. OpenAI räumte ein, dass seine Analyse neu entstandene rollenübergreifende Arbeit nicht vollständig von bestehenden, durch KI unterstützten Verantwortlichkeiten unterscheiden konnte.
Die neue Studie liefert Hinweise auf Wiederholung, doch Wiederholung löst diese Unklarheit nicht auf. Ein wiederholter Prompt kann eine tatsächliche Ausweitung der Tätigkeit, eine anders ausgeführte alte Aufgabe oder ein zeitlich begrenztes Projekt widerspiegeln.
Der Beobachtungszeitraum umfasste zudem nur vier Monate. Das reicht aus, um wiederkehrendes Verhalten zu erkennen, ist aber zu kurz, um dauerhafte Veränderungen von Berufen zu belegen.
Saisonalität kann Marketing, Kundenkommunikation, Budgetierung und Berichterstattung beeinflussen. Eine Aufgabe, die in aufeinanderfolgenden Monaten wiederkehrt, kann nach einer Kampagne oder einem Planungszyklus verschwinden.
Der Anstieg von April bis Juli erfordert eine besonders vorsichtige Interpretation. Wenn Beschäftigte mehr Aktivitäten ausprobieren, wächst auch die Anzahl der Aufgaben, die zuvor genutzt worden sein könnten.
OpenAI weist in seiner Methodik auf diese Dynamik hin. Der steigende Anteil ist mit der Bildung von Routinen vereinbar, sollte jedoch nicht als kontrollierte kausale Schätzung verstanden werden.
Die Forschung misst zudem Nachrichten statt abgeschlossener Geschäftsergebnisse. Sie zeigt nicht, ob Ergebnisse akzeptiert, korrigiert, verworfen oder mit messbaren Verbesserungen verbunden wurden.
Wenn Beschäftigte zu einer Aufgabe zurückkehren, kann das auf Nutzen hindeuten. Es kann aber auch wiederholte Schwierigkeiten, unzureichende Ergebnisse oder einen Prozess mit mehreren Versuchen widerspiegeln.
Ein Experiment zu Arbeitsmustern des NBER liefert hilfreichen Kontext für diese Einschränkung. In dieser Studie erhielten Beschäftigte nach dem Zufallsprinzip Zugang zu generativer KI in gängigen Arbeitsplatzanwendungen.
Sie ergab, dass der Zugang veränderte, wie Menschen ihre Zeit auf Aktivitäten verteilten. Studien mit experimentell zugewiesenem Zugang und Analysen von Nachrichtenprotokollen beantworten jedoch unterschiedliche Fragen.
Experimente können kausale Veränderungen unter bestimmten Bedingungen schätzen. Produktprotokolle zeigen natürlich auftretendes Verhalten in deutlich größerem Umfang, bieten jedoch weniger Kontrolle über Auswahl und Kontext.
Keiner der beiden Ansätze allein bestimmt, ob breitere Rollen die Arbeitsqualität verbessern. Produktivität, Autonomie, Lernen, Stress und Vergütung können sich in unterschiedliche Richtungen entwickeln.
Hinzu kommt die Kompetenzfrage. Hintergrundinformationen bereitzustellen und um Überprüfung zu bitten, kann die Antwort eines Modells verbessern, verleiht Beschäftigten jedoch kein fachliches Urteilsvermögen.
Eine überzeugend formulierte finanzielle Erklärung kann dennoch einen subtilen Fehler enthalten. Eine plausibel wirkende Softwarekorrektur kann Sicherheitsprobleme einführen. Marketingtexte können gegen unausgesprochene Marken- oder regulatorische Vorgaben verstoßen.
Die am häufigsten wiederkehrenden Aktivitäten in der Studie von OpenAI betreffen überwiegend Kommunikation und Werbearbeit. Ihre Bedeutung könnte eher eine einfache Integration als eine verlässliche Modellleistung widerspiegeln.
Die geringere Wiederholung finanzieller Erklärungen bietet eine weitere Deutungsmöglichkeit. Beschäftigte erkennen möglicherweise, dass manche Bereiche mehr Vorsicht, Prüfung oder Verantwortlichkeit erfordern.
Organisationen sollten Wiederholung nicht als automatische Erlaubnis interpretieren. Eine nützliche Aktivität kann dennoch einen festgelegten Prüfer, einen genehmigten Quellensatz und klare Grenzen für folgenreiche Entscheidungen erfordern.
Datenschutz ist ein weiterer Aspekt. OpenAI erklärt, dass Daten mit deaktiviertem Training sowie Nachrichten ohne verwertbare Klassifizierung ausgeschlossen wurden, während die Anonymität durch Aggregation gewahrt blieb.
Das betrifft den im Bericht beschriebenen Forschungsprozess. Arbeitgeber benötigen weiterhin eigene Regeln für vertrauliche Informationen, Kundendaten und Aufzeichnungen, die in KI-Systeme eingegeben werden.
Die belastbarste Schlussfolgerung ist enger gefasst als ein Versprechen transformierter Beschäftigung. Einige Beschäftigte nutzen ChatGPT wiederholt über berufliche Grenzen hinweg, und bestimmte Aufgaben kehren häufiger wieder als andere.
Dieses Ergebnis verdient Aufmerksamkeit, weil Routinen formalen Veränderungen oft vorausgehen. Es belegt jedoch nicht, ob die daraus entstehenden Arbeitsplätze besser, sicherer, produktiver oder fair vergütet sind.
Drei Signale werden zeigen, ob die Ausweitung von KI-Arbeit anhält
Der nächste Test besteht darin, ob wiederkehrendes rollenübergreifendes Verhalten zu verantwortbaren Workflows, breiterer messbarer Nutzung und besseren Arbeitsergebnissen führt.
Das erste Signal ist die Beständigkeit über längere Beobachtungszeiträume hinweg. Das viermonatige Zeitfenster von OpenAI erfasste den Beginn wiederholten Verhaltens, nicht dessen gesamten Lebenszyklus.
Künftige Berichte sollten zeigen, ob dieselben Aktivitäten nach sechs oder zwölf Monaten weiterhin auftreten. Dauerhafte Wiederholung würde die Interpretation einer Ausweitung von Tätigkeiten stärken.
Ein Rückgang würde darauf hindeuten, dass viele Nutzungen zeitlich begrenzte Experimente, saisonale Bedürfnisse oder Aufgaben waren, die Beschäftigte letztlich wieder an Spezialisten zurückgaben.
Auch die Zusammensetzung der wiederkehrenden Arbeit ist wichtig. Eine anhaltende Konzentration auf werbliche Texte würde auf einen engeren Wandel hindeuten als eine Ausweitung auf Analyse, technische Arbeit oder regulierte Prozesse.
Das zweite Signal ist, ob das Muster über Nutzer von ChatGPT Business hinaus auftritt. OpenAI, Anthropic, Microsoft und unabhängige Forschende beobachten unterschiedliche Gruppen über unterschiedliche Produkte.
Übereinstimmende Ergebnisse würden die Wahrscheinlichkeit verringern, dass Produktdesign oder Kundenstruktur den Befund erklären. Abweichungen würden zeigen, wie Modellschnittstellen und Arbeitsumgebungen Verhalten prägen.
Die Forschung von Anthropic ergab, dass KI-Aktivitäten sich auf Softwareentwicklung und Schreiben konzentrieren. Die Analyse von OpenAI zu Rollenüberschreitungen hebt finanzielle Berechnungen, technische Fehlerbehebung, Marketing und kundennahe Aktivitäten hervor.
Diese Perspektiven sind vereinbar, aber nicht austauschbar. Jeder Anbieter beobachtet Verhalten durch sein eigenes Produkt, seine Nutzerbasis, sein Klassifikationssystem und seinen datenschutzschonenden Messprozess.
Forschende sollten außerdem zwischen Beschäftigten unterscheiden, die freiwillig allgemeine Chat-Tools nutzen, und Mitarbeitenden, denen ihre Organisation KI-Systeme zuweist. Motivation und Erwartungen des Managements können die Wiederholung beeinflussen.
Das dritte Signal ist die Reaktion der Organisation. Arbeitgeber müssen zeigen, ob wiederkehrende rollenübergreifende Aufgaben in formelle Workflows mit Prüfung, Schulung und angepassten Verantwortlichkeiten aufgenommen werden.
Eine überarbeitete Stellenbeschreibung wäre ein sichtbarer Indikator. Neue Genehmigungspunkte, Kompetenzprogramme oder Kennzahlen zur Arbeitslast lieferten stärkere operative Belege.
Auch Vergütungs- und Beförderungssysteme werden eine Rolle spielen. Wenn Beschäftigte eine größere Bandbreite wertvoller Ergebnisse liefern, müssen Organisationen entscheiden, ob diese Breite als anerkanntes Kompetenzwachstum zählt.
Wenn Aufgaben ohne Anerkennung ausgeweitet werden, könnte derselbe Trend zu einer Intensivierung der Arbeit führen. Beschäftigte würden mehr Bereiche übernehmen und gleichzeitig weiterhin an ihren bisherigen Verantwortlichkeiten gemessen.
Die Arbeitsplatz-KI-Forschung von OpenAI macht es schwerer, diese Managemententscheidung zu ignorieren. Der Zugang zu KI kann die Arbeitsteilung verändern, noch bevor Führungskräfte eine Umstrukturierung ankündigen.
Diese Veränderung kann Beschäftigten zugutekommen, wenn sie Verzögerungen beseitigt und ihnen mehr Kontrolle über Ergebnisse gibt. Sie kann Spezialisten zugutekommen, wenn routinemäßige Vorbereitungen besser organisiert bei ihnen ankommen.
Sie kann jedoch auch versteckte Risiken schaffen, wenn generierte Arbeit der fachlichen Prüfung entgeht. Der entscheidende Faktor ist nicht nur die Modellqualität, sondern auch die Gestaltung der Verantwortung rund um jede wiederkehrende Aufgabe.
Wissensarbeitende sollten zunächst identifizieren, welche KI-unterstützten Aktivitäten unbemerkt regelmäßig geworden sind. Sie sollten die mit diesen Aktivitäten verbundenen Quellen, Prüfer, Korrekturen und Folgen dokumentieren.
Manager sollten eine ergänzende Frage stellen: Welche alte Verantwortung wurde reduziert, als eine neue in den Workflow aufgenommen wurde? Lautet die Antwort keine, könnte die Ausweitung bereits in Überlastung übergehen.
Der sinnvollste nächste Schritt ist eine kleine Prüfung wiederkehrender KI-Nutzung. Wählen Sie einen Monat mit wiederholten Aktivitäten aus, trennen Sie Vorbereitung von endgültigen Entscheidungen und identifizieren Sie fehlende Prüfpunkte.
Vergleichen Sie die Ergebnisse anschließend mit dem folgenden Monat. Blieb die Aufgabe nützlich, verringerte sie eine Übergabe, erforderte sie weniger Korrekturen oder verlagerte sie lediglich mehr Verantwortung auf eine einzelne Person?
OpenAI hat einen glaubwürdigen Weg von Experimenten zu Routinen aufgezeigt. Beschäftigte und Arbeitgeber benötigen nun Belege dafür, dass diese Routinen die Arbeit verbessern, statt sie lediglich auszuweiten.
